十一月 012017
 

 

在這一篇CNBC的報導中提到根據 JPMorgan 表示,目前全美股票交易市場已經不到 10% 是以傳統的個股挑選方式1(Fundamental Stock Picking) 進行,約有 60% 的交易是以被動式(Passive)投資及電腦程式交易為主,這個數值已是十年前的兩倍,而且目前看來趨勢還是一直向上。

被動式投資方式相信大家都不陌生。這種策略的好處就是不需要花太多時間來研究如何投資,只要求接近大盤的利潤即可,這種投資方式目前看來是比較適合一般人。我個人也在過去將近十年的資產配置經驗中驗證,它提供一個高 Sharpe Ratio 和合理報酬的投資方式。我在這一篇文章中也強烈建議對於沒有多餘時間或精力的上班族,被動式投資是規劃退休重要的方法。
比較讓人驚訝的是在這全美約 60% 的交易量中,有一大部分竟然是由電腦程式自動完成。這裡所謂的電腦程式交易並非只是單純的將人工下單以電腦取代,而是運用近十年興起的量化投資(Quantative Trading)方式來完成。那什麼是量化投資?簡單來說,量化投資它主要是透過分析市場上的數據事先決定投資策略,寫成程式再交由電腦來執行。聽起來很簡單,但事實上它還需要更嚴僅的步驟,這會在下一篇文章中進一步講解。不過這裡有一個重點是量化投資必須是以數據為基礎來進行分析,反覆利用這些數據來驗證想法,明眼人看到這裡大概就猜出來了,這不也是大數據的分析方法嗎?沒錯,說穿了量化投資分析就是大數據分析,它的資料來源就是市場上所能拿到的有關資訊,這包括股票交易資訊,公司的基本財務資訊或其他會影響股價且可以量化的資訊。
所以若透過數據分析而進行的電腦程式交易遂漸成為交易市場上不可忽視的力量,則代表著市場本質上會有一些變化:
  1. 讓整個市場更有效率 (Efficiency)。一般人是不太可能從一個完全效率市場中賺到錢2,所以當愈來愈多透過電腦程式來進行交易時,由於電腦能快速交易的特性,代表市場的流動性會更佳。也就是說一但市場有任何明顯可賺錢的機會(無效性,inefficiency),電腦程式便能很快的查覺而進行交易,這當然使得一般傳統交易的方式也就更不容易賺到錢。尤其是以往透過直觀性(Discretionary) 的主動性投資方法將變的更為困難。
  2. 市場的波動更劇烈。由於電腦程式交易的特性是精準、快速,所以市場的波動自然就增加,也因此比起以往更容易出現暴漲暴跌的情形。例如2010年5月6日的 Flash Crash (如下圖) 便是由於大量的電腦程式在同一時間大量賣出所導致,這在以往以人工判斷再進行交易的時代是不太可能發生的。美國證券交易委員會(SEC)也因這樣的事件而針對有所有大型股導入熔斷機制(Trading Curbs)來保護類似的意外。事後也證實這樣機制是有效的,因為後來這個熔斷機制也有被觸發幾次。

很顯然的,這個變化使傳統投資人因市場更有效率而更難從買進賣出的交易中獲利,同時也因市場的波動變大而承受了更大的風險。這代表著投資人和過去相比,投資的眼光必須更快更穩,風險的控管也要更嚴僅。那一般主動式投資人要如何改變才有機會?
目前我認為也是要一起加入量化投資的行列才比較有機會。這主要是因為就算你在過去有能力判斷市場走向,但對於這快速變化的市場,人為的因素太複雜,總是會有判斷錯誤的時侯,利用電腦來輔助決策是一個可行的方式。
多年前我在規劃被動式投資的資產配置時就透過歷史資料來驗證書上所提到資產比例及資產間的相關性(Covariance)來取得一個比較多樣化(Diversified)的資產配置3,後來我也知道這個方法在量化投資中就是所謂的分析(Research)與回測(backtest))。這也是為何我認為量化分析在主動式投資會有效的另一個原因。
最後在決定要投入量化投資這個領域之前,還有幾個問題我們需要先行了解:
  • 量化投資方式是否真能有機會打敗大盤?
這個問題主要是要確認這個方法是可行的,以確保我們將來走的是一條有解之路,畢竟量化投資所要投入的時間是非常的多。目前在量化投資界最成功的傳奇人物就是 James Simon,他所創公司 Renaissance Technologies 旗下的 Medallion 基金在過去28年的年平均報將近 70%,相當可觀。很想買是嗎?您可能要失望了,除非你能成為它的員工要不然是無法認購,這檔基金它並沒有對外開放。不過我想也因此它才能避免資金的大量流入,歷史上很多例子都是因基金資金過於龐大而導致績效下降。

 

另外一個不算成功但是相當有名的例子,就是在1994成立的長期資本管理公司 (Long-Term Capital Management L.M.),簡稱 LTCM,它的兩位主要董事,Myron S. Scholes 和 Robert C. Merton,是 1997 年的諾貝爾經濟學獎得主。它在創立的前三年平均年獲利高達 35%,但在第四年就因當時亞洲金融風暴而宣告破產。嚴格來講這不算量化投資的失敗,這主因還是因為它的風險控管沒有做好,當時整個資產組合的曝險過高所致。它利用演算法進行套利的這一部份還是相當成功的。我們在之後的文章也會細述如合控管好資產組合的曝險,這對於量化投資人也是一個非常重要的課題。
  • 相較於擁有較大資源的投資機構,一般人有任何優勢嗎?
大型機構確實有資源上的優勢,它在資金,人才甚至訊息的取得都優於一般投資人,但這並不代表它就沒有缺點。投資機構由於要對客戶負責,同時也要符合政府的許多規範,所以在操作上並不可能像一般投資人那樣自由,而這往往也限制了操作上的靈活度4
另外,投資機構的投資金額也遠較一般投資人為多,所以在策略及套利的選擇上也遠不如一般個人投資者來的有彈性。市場上存在著很多獲利機會,有的很大,有的很小,這主要是因為市場相當敏感,任何的風吹草動都會引起波動。市場也有它自己原本調節的特性,股價上升就會有人賣,股價下跌就會有人買,這些自然現現象也都有可能是一般套利者可以運用的空間,但對於較大型的投資機構可能因成本的考量就不會考慮。所以一般人和投資機構所面對的市場雖然是同一個,不過不同的策略思考就會有不同的操作模式。這個市場也夠大,容的下這麼多不同的策略來各取所需。
  • 一般人有能力使用量化投資的方式嗎?
和過去市場主流的價值投資法相比,量化投資分析確實需要較高的技術層次。它會需要了解數學與統計5,並且要有能力將這些理論用電腦程式開發出來,這樣才能讓電腦執行您所需要的策略及交易。這些並不可能單獨一個人可以完成,所以在過去量化投資分析通常只有投資機構才有能力運用。不過拜於電腦及軟體的技術不斷進步所致,目前這些軟體在網路上都可以找得到,而且都是免費的 Open Source。它們也都有網路社群在維護,有問題是也會有人幫忙解決,所以不太需要擔心支援的問題。既然工具是現成的,單純使用工具所需要的數學/統計程度就很不需要像獨力開發工具所需要的程度那麼高了。
另外程式開發也是必備的能力。因為量化交易策略會需要您使用電腦程式來開發,這一部份是整個量化交易的核心。很多人遇到這個問題會直接想把它外包,我的建議是不要。主要原因是要開發一個成功的策略所需要投入的人力不算少,外包的風險就在於策略被盗用。另外是在開發的過程及上線後也會時常修修改改,能夠自己維護的話在時效上他會比較好,有問題也更能能快速解決。
通常一般人交易的頻率頂多是以分鐘或小時為單位,所以不用太擔心程式的效能會影響到交易6。一般我們都會用比較高階的工具語言,像是Python,R 或 Matlab 等7,來開發我們的策略,這樣最大的好處是開發的時程短,我們會可以把重心放在演算法的開發上,不需要花太多時間在程式語言學習。
小結
到此,大概對於量化交易有了稍微基本認識。看完本文後您應該會有能力判斷一下自己是否適合投入這個領域。或許你會問說真的需要這麼麻煩嗎? 是的,不僅是麻煩而且還有點難度。天下沒有白吃的午餐,投資賺錢也絕對不是一件簡單的事。沒有其他更容易的方法嗎?當然有,目前廣為流行的技術指標分析或是價傎投資法都是。但我認為這些方法是比較直觀的方式,欠缺一套比較科學分析及驗證的手法。不過如果能把這些和量化分析的方法結合,我認為成功的機率會大很多。
要建立一套自己的量化交易分析系統會需要花您至少半年以上的時間,這個沒有捷徑,但經驗絕對是值得的。這些經驗不僅是只在投資方面有用,在工程或商業上也是可以用,因為科學分析的手法都是一樣。接下來希望透過一系列的文章,一方面把自己的學習心得記錄下來,也希望能有一些同好一起加入分享與學習。

 

若您有心理準備,那就一起來學習量化投資這門科學。

Notes:
  1. 一般價值投資法也屬於傳統個股挑選的方式
  2. 除非您能預測,而這也量化分析的一個課題
  3. 詳細的過程讀者可以參考這一篇:談資產配置,及這一篇:建構自己的資產組合
  4. 想想若你是基金經理人,當你的短期績效不佳時,你背後是不是會突然有很多眼睛在看著你?在這些壓力下,你會不會想試著去調整你原本所下給電腦的策略?
  5. 量化投資分析所需的能力其實和大數據所需要的能力是一樣的。
  6. 另一類高頻交易(HFT, High Frequency Trading),時間單位是以毫秒(ms)計算。這一類系統主要是以 C++ 或 Java 開發,對於一般沒辭程式經驗的人,進入門檻會比較高。
  7. 另外有一些市售的套裝軟體,它們會有自己的語言,例如目前在台灣最廣為大家使用的MultiCharts, 或在全世界有很大占有率的 TradeStation,這些平台的特性就是簡單,容易上手,但相對的彈性就很不足,常會有心中的想法但無法透過這些平台來實現。之後我會再以一篇文章來說明程式語言與平台選擇。

 

 Posted by at 08:00:00

您可點選下方留言